AI kan revolutionera utvecklingen av nya material – och vi börjar förstå hur
Magnus Röding
Artikeln publicerades i nyhetsbrevet Om AI 24 november 2021
Design av högpresterande material är centralt för många industrier. När AI kombineras med matematiska modeller och simuleringar kan det snabba upp utvecklingen av framtidens material.
Antalet tänkbara material som kan användas i en produkt är närmast oändligt. I dag sker mycket materialutveckling genom att experimentellt pröva sig fram vilket kräver både kunskap, fingertoppskänsla och tid. En digitalisering av processen med virtuella tester av olika materialmodeller kan snabba upp utvecklingen. För att ytterligare förbättra processen kan olika AI-modeller användas för att göra bättre analyser, snabbare beräkningar och prediktioner och på så sätt hjälpa till att knyta ihop den digitaliserade materialutvecklingen. Resultatet blir en bättre karaktärisering av befintliga material och större möjligheter att utnyttja simuleringar av nya kandidatmaterial.
Fokus på porösa material
När det gäller utvecklingen av nya porösa material har RISE samarbetat med företag och forskare i världsklass, bland annat universiteten i Princeton, Ulm och Chalmers. Porösa material används bland annat i hygienprodukter, sårvårdsprodukter, läkemedel, papper och förpackningar, samt för kemisk separation och kromatografi. Här är transportegenskaperna viktiga, det vill säga förmågan att transportera vätska eller molekyler genom porer i materialet. Olika typer av material som används är till exempel fibrer och textilier, skum, polymerskikt, och granulära material.
Det finns många designval att göra i balansgången mellan transportegenskaper, mekaniska egenskaper, och åtgång av råmaterial och energi för tillverkningen. Den balansen blir alltmer krävande med tanke på den globala konkurrensen, omställningen till en cirkulär ekonomi och ökade förväntningar på att använda förnybara råmaterial.
Avbildning för att se materialen
För att utveckla nya material krävs en förståelse för varför de existerande materialen fungerar som de gör. Här hjälper olika avbildningstekniker till att visualisera den tredimensionella strukturen. RISE använder bland annat datortomografi, neutrontomografi, och olika elektronmikroskopitekniker, både egen utrustning och via samarbeten med högskolor och storskaliga infrastrukturer.
För att utveckla nya material krävs en förståelse för varför de existerande materialen fungerar som de gör.
Ett exempel är porösa polymerskikt som kontrollerar frisättning av läkemedel från tabletter. Här styrs hastigheten på frisättningen och molekyltransporten genom tillverkningsprocess och att kombinera olika polymerer. Men det krävs upprepade tester och utvärderingar för att få fram bästa effekten av ett läkemedel samtidigt som man minskar biverkningarna.
Självlärande metoder
I ett forskningssamarbete tillsammans med AstraZeneca och Chalmers utvecklade vi en metod för analys av tredimensionella bilddata från Focused Ion Beam Scanning Electron Microscopy (FIB-SEM) [2]. Metoden kunde med hög noggrannhet separera porer från den solida delen av materialet, en process som brukar kallas segmentering. I korthet är målet att klassificera varje bildpunkt (pixel, eller snarare voxel i tre dimensioner) som tillhörande por eller solid. Detta är ett klassificeringsproblem som kan tacklas med olika AI-metoder, som djupa neurala nätverk.
I detta fall använde vi konvolutionella neurala nätverk (CNN). CNN-arkitekturer kan lära sig själva vilken information som ska extraheras och användas, till skillnad från mer konventionella metoder där indata till algoritmen väljs ut manuellt. Här extraherar algoritmen informationen från en rektangulär 3D-region runt bildpunkten som ska klassificeras. Även om metoden är beräkningskrävande så är den samtidigt oerhört kraftfull. CNN-baserade metoder har i jämförelser gett bäst resultat vid många bildanalysproblem.
Nackdelen med liknande AI-metoder är att data behövs för träning av algoritmen och även för validering. För bildanalystillämpningar innebär det att en expert måste segmentera delar av datamängden manuellt vilket i detta fall tog det ett par dagar, följt av några dagar av algoritmträning och klassificering på ett beräkningskluster. Som en jämförelse skulle det ha tagit en person nästan ett helt år att manuellt segmentera hela datamängden i samma takt. Även om AI-algoritmer gör misstag så blir datorn inte trött utan ger ett konsekvent resultat. Ett annat exempel är bestrykningsskikt på kartong som används som förpackningsmaterial. Det tunna skiktet ska ge en god kvalitet vid tryckning på förpackningen. I ett samarbete med TetraPak och Chalmers använde vi en bildanalysmetod liknande den ovan för att segmentera bilddata från sådana skikt, också avbildade med FIB-SEM [3].
Tar hjälp av digitala tvillingar
Efter den första bildanalysen finns det flera sätt att dra nytta av dessa data: till exempel kan materialstrukturen karaktäriseras genom att mäta geometriska egenskaper, som porositet och specifik yta, eller mäta längden på transportvägarna genom materialet.
Virtuella materialmodeller kan beskriva viktiga egenskaper utifrån verkliga material och används för att simulera strukturer snabbare och billigare än tidigare. Modellerna beskrivs ibland som ”digitala tvillingar” och används för att förstå och utforska verkliga system. På RISE har vi utvecklat virtuella materialmodeller bland annat för polymerskikt för kontrollerad läkemedelsfrisättning [4], fibermaterial för hygienprodukter [5], bestrykningsskikt [3], och grafenförstärkta polymerskikt [6].
Prediktera egenskaper och optimera material
Ett första steg mot att förstå hur ett materials egenskaper påverkas av olika designparametrar är att simulera många materialstrukturer. Det kallas ofta computational screening eller in silico screening [7]. Här är det en fördel att undersöka kvantitativa samband mellan materialstrukturen och de beräknade egenskaperna. Sambanden är i princip en ekvation som utifrån strukturen och geometrin kan förutspå en viss egenskap. Eftersom olika typer av material kan användas för många tillämpningar är det bra om sambanden är så generella som möjligt: till exempel att de stämmer ungefärligt för både fiber- och skummaterial.
I flera projekt har vi undersökt sambanden med hjälp av virtuella materialstrukturer av olika typer. Själva sambanden kan uttryckas som antingen ekvationer eller mer komplicerade neurala nätverk [8, 9]. Enkla ekvationer är transparenta och ger stor fysikalisk förståelse för hur sambandet ser ut. Neurala nätverk kan å andra sidan approximera samband som är i princip hur komplicerade som helst, och kommer hitta mer exakta samband men till priset av mindre transparens.
Sambanden gör det möjligt att optimera materialstrukturer snabbare än med konventionella beräkningar. I stället för att vi prövar oss fram kan ett CNN göra snabba förutsägelser av ett materials egenskaper. Att optimera materialstrukturer på detta vis är nästa steg för oss. I ett projekt tittar vi på att optimera transportegenskaper på detta sätt för anisotropa material, alltså material som har olika egenskaper i olika riktningar.
Vinner både tid och noggrannhet
Sammanfattningsvis kan AI-metoder både ge ökad noggrannhet och bidra till en mer konsekvent behandling av data, och dessutom accelerera både dataanalys och prediktion av materialegenskaper. Med all säkerhet kommer AI kombinerat med avancerade analystekniker och noggranna beräkningar vinna alltmer mark i materialutveckling av alla slag.
![porös polymerfilm](https://www.ri.se/sites/default/files/styles/full_width/public/2021-11/Bild1MagnusR%C3%B6ding_0.jpg.webp)
![Simulering av vätskeflöde](https://www.ri.se/sites/default/files/styles/full_width/public/2021-11/Bild3Magnus%20R%C3%B6ding.jpg.webp)
Referenser
[1] P. Carmona et al (2021). Structure evolution during phase separation in spin-coated ethylcellulose/hydroxypropylcellulose films. Soft Matter, 17, 3913 – 3922.
[2] F. Skärberg et al (2021). Convolutional neural networks for segmentation of FIB‐SEM nanotomography data from porous polymer films for controlled drug release. Journal of Microscopy, 283, 51-63.
[3] P. Townsend et al (2021). Tessellation-based stochastic modelling of 3D coating structures imaged with FIB-SEM tomography. Computational Materials Science, 197, 110611.
[4] S. Barman et al (2019). Prediction of diffusive transport through polymer films from characteristics of the pore geometry. AIChE Journal, 65, 446-457.
[5] P. Townsend et al (2021). Stochastic modelling of 3D fiber structures imaged with X-ray microtomography. Computational Materials Science, 194, 110433.
[6] M. Röding et al (2017). Computational screening of diffusive transport in nanoplatelet-filled composites: use of graphene to enhance polymer barrier properties. ACS Applied Nano Materials, 1, 160-167.
[7] M. Röding et al (2016). Computational high-throughput screening of fluid permeability in heterogeneous fiber materials. Soft matter, 12, 6293-6299.
[8] M. Röding et al (2020). Predicting permeability via statistical learning on higher-order microstructural information. Scientific reports, 10, 1-17.
[9] B. Prifling et al (2021). Large-scale statistical learning for mass transport prediction in porous materials using 90,000 artificially generated microstructures. Accepted for publication in Frontiers in Materials.